摘要：因果关系发现是因果推断的重要部分,其目标是揭示数据内在的生成机制,并以有向无环图的形式表示.然而关于因果关系发现,现有方法很少考虑到观察数据存在缺失值的情况.在实际场景中,大量数据集存在缺失值,因此估计缺失数据集中的因果关系成为一个亟需解决的问题.本文提出了一种新的基于因果反馈的算法实现关于缺失数据集的因果关系发现,其中生成对抗网络被用于估计缺失数据集的分布,并利用基于Actor-Critic的因果关系发现模块搜索最优因果图,设计了一个基于扩展贝叶斯信息准则的自定义奖励函数,引入分类误差引导模型加速探索过程,提升模型稳定性.在模拟数据和真实数据上进行的大量实验结果表明,本文提出的方法在不同数据缺失率下优于现有方法 .

摘要：针对水库、湖泊等流域水资源的调度、管理以及预警,迫切地需要对其水位实时监测并提供精准的预测。由于许多监测点有水资源流通,因此水位变化在空间上有复杂的关联性。基于动态图嵌入的水位预测模型以图神经网络技术为基础动态地建模各监测点间的关系,从而对各监测点的水位实现准确的预测。模型采用了多图融合的构图方式,且基于数据构图时采用了分段学习的思路;此外,设计了分段注意力机制,学习序列的时序依赖关系。实验表明,与现有模型相比,该模型的预测精度有较大提升。